المكاسب:
- القدرة على ترميز بيانات المقابلة والمسح والملاحظة باستخدام الذكاء الاصطناعي واستخراج المواضيع والأنماط
- القدرة على صياغة بيانات الشخصية ورحلة المستخدم والرؤية بدعم من الذكاء الاصطناعي
- الحماية من التلفيق والتحيز من خلال ربط الرؤى الناتجة عن الذكاء الاصطناعي بالبيانات الأولية والتحقق من صحتها
المنتجات الجيدة تولد من الحاجة الحقيقية للمستخدم، وليس من ذوق المصمم. الطريقة لفهم هذه الحاجة هي من خلال بحث المستخدم: المقابلات، والدراسات الاستقصائية، والملاحظات الميدانية، واختبارات سهولة الاستخدام. لكن الجزء الأصعب من البحث ليس جمع البيانات، بل فهمها. يستغرق الأمر خبرة ووقتًا لقراءة عشرات الصفحات من نصوص المقابلات ومئات من ردود الاستبيان واستخلاص الأنماط والاحتياجات والرؤى الحقيقية (البصيرة؛ المعنى "aha" وراء البيانات). هذا هو المكان الذي يكون فيه الذكاء الاصطناعي مساعدًا قويًا للتوليف: فهو يقوم بسرعة بترميز أجزاء كبيرة من النص، ويجمع المواضيع، ويشير إلى الأنماط. لكن هذه القوة نفسها، إذا لم يتم استخدامها بعناية، تنتج اقتباسات زائفة، وتوكيدًا مشوهًا، وتحيزًا. تشرح هذه الوحدة كيفية استخدام الذكاء الاصطناعي كمسرّع في تجميع الأبحاث ولماذا يجب عليك ربط كل الأفكار بالبيانات الأولية.
ما هو توليف البحث وأين يتناسب الذكاء الاصطناعي؟
بيانات البحث الأولية فوضوية: يقول أحد المستخدمين إنه "يبحث عن كابل الشحن في كل مرة"، ويقول آخر "الضوء الليلي ساطع للغاية"، ويشكو آخر من أنه "لا يستطيع العثور على الأزرار في الظلام". التوليف هو عملية تجميع هذه العبارات المفردة ("الاستخدام الليلي يمثل مشكلة") وتحويلها إلى رؤى ("يستخدم المستخدمون هذا المنتج بشكل أفضل في الظلام، ولكن المنتج مصمم للاستخدام أثناء النهار"). في الطريقة الكلاسيكية، يقوم المصممون بذلك باستخدام مخطط تقارب (تجميع مادي/رقمي للملاحظات المتشابهة).
يعمل الذكاء الاصطناعي على تسريع عدة خطوات من هذه العملية:
- الترميز: تعيين علامات موضوعية لكل عبارة ("الاستخدام الليلي"، "صعوبة التثبيت"). يقوم الذكاء الاصطناعي بوضع علامات مسبقة على مئات العبارات في دقائق.
- Theming: جمع العلامات في مجموعات فرعية. يشير الذكاء الاصطناعي إلى الأنماط المتكررة.
- رسم البصيرة: اقتراح جمل "آها" من المواضيع. يقوم الذكاء الاصطناعي بإنتاج المسودات، وأنت تقوم بالتصفية.
- مخطط الشخصية والرحلة: رسم ملفات تعريف المستخدمين النموذجية وخطوات الاستخدام.
القاعدة الحاسمة: الذكاء الاصطناعي يلخص ويجمع، لكن البيانات الأولية تقول الحقيقة. يجب ربط كل موضوع وكل اقتباس مرة أخرى بنص المقابلة الفعلي والتحقق منه.
أكبر خطرين: الاقتباسات المزيفة والتحيز
هناك نوعان من المزالق الخطيرة للذكاء الاصطناعي في تركيب البحوث. الأول هو الاقتباس المصطنع (الهلوسة): يمكن للذكاء الاصطناعي إنشاء اقتباس للمستخدم غير موجود في البيانات ولكنه "يبدو صحيحًا". وهذا هو أخطر خطأ في البحث لأنك تتخذ قرار تصميم حقيقي بناءً على أدلة زائفة. والثاني هو التشويه والتحيز: يمكن للذكاء الاصطناعي أن يبالغ في رأي الأغلبية ويمحو حاجة الأقلية المهمة ولكن التي لا يتم الحديث عنها كثيرًا؛ أو الصور النمطية في بيانات التدريب ("كبار السن يخافون من التكنولوجيا") قد تتسرب إلى بحثك. الطريقة الوحيدة للحماية من كليهما: قم بتوصيل كل مخرجات مرة أخرى إلى البيانات الأولية واسأل "في أي محادثة، وفي أي سطر، يحدث هذا الاقتباس بالفعل؟" هو طرح السؤال.
تحذير: لا تقم بتضمين أي اقتباسات للمستخدم تم إنشاؤها بواسطة الذكاء الاصطناعي في تقرير أو شخصية أو عرض تقديمي دون العثور عليها وتأكيدها حرفيًا في نص المقابلة الأولي. الاقتباس الملفق يحرف قرار التصميم الفعلي.
تدفق التوليف الآمن خطوة بخطوة
- إخفاء الهوية: تنظيف البيانات الشخصية (الاسم، جهة الاتصال، تفاصيل التعريف) من نصوص المقابلة. بيانات المستخدم هي بيانات شخصية؛ السرية أمر ضروري.
- قم بالتشفير ولكن مع طلب المصدر: اطلب من الذكاء الاصطناعي أن يطلب التعبير الأولي ومرجع السطر/المصدر المطابق لكل علامة.
- عدد المواضيع: "كم عدد المستخدمين الذين ذكروا هذا؟" بسأل؛ فلا تدع شخصاً واحداً يطرح رأيه كنمط عام.
- ربط البصيرة مرة أخرى: تحت كل جملة رؤية، ضع علامات الاقتباس الفعلية التي تستند إليها.
- ابحث عن أمثلة مضادة: اسأل الذكاء الاصطناعي "هل هناك عبارات تتعارض مع هذا الموضوع، قل العكس؟" بسأل؛ وهذا يكسر التحيز والإفراط في التعميم.
ثلاث حالات صغيرة
الحالة 1 - تم القبض على الاقتباس الملفق. يلخص الفريق 12 محادثة مع الذكاء الاصطناعي؛ يولد الذكاء الاصطناعي اقتباسًا مذهلًا، "قال أحد المستخدمين: "سأشتري هذا المنتج كهدية"، وأراد الفريق إدراجه في العرض التقديمي". يقوم الباحث بمسح النصوص الأولية؛ مثل هذه الجملة غير موجودة في أي محادثة. لقد "اختلق" الذكاء الاصطناعي اقتباسًا من النغمة الإيجابية الشاملة. تتم إزالة الاقتباس. الدرس المستفاد: يتم التحقق من كل اقتباس حرفيًا في البيانات الأولية.
الحالة الثانية – محو حاجة الأقلية. يقوم فريق التصميم بإجراء دراسة على أجهزة المطبخ مع 20 مستخدمًا. يسلط موجز الذكاء الاصطناعي الضوء على موضوع "المستخدمون يهتمون بالسرعة". ولكن عندما عاد الفريق إلى البيانات الأولية، وجدوا أن 3 مستخدمين ذكروا الحاجة إلى الاستخدام بيد واحدة (أحدهم بذراع معاقة، والآخر يحمل طفلًا باستمرار)؛ وقد رفضت منظمة العفو الدولية هذا الأمر ووصفته بأنه "أقلية". ومع ذلك، فهذه رؤية بالغة الأهمية بشأن إمكانية الوصول والتي ستميز المنتج. الدرس المستفاد: الوزن العددي لا يعني دائمًا الأهمية؛ قد تكون حاجة الأقلية هي الرؤية الأكثر قيمة.
الحالة 3 - الاستخدام الصحيح. يقوم أحد الباحثين بتغذية الذكاء الاصطناعي بـ 300 إجابة استقصائية مفتوحة ويقول "قم بتسمية كل إجابة لهذه المواضيع، واحسب عدد الإجابات التي تندرج في كل موضوع، واقتبس 3 إجابات عينة فعلية حرفيًا من كل موضوع". يقوم الذكاء الاصطناعي بإنشاء 8 سمات وأرقام وعروض أسعار حقيقية. يقوم الباحث بالتحقق من اقتباسات العينة في البيانات الأولية، فهي كلها حقيقية. وهذا يجعل الجدول بداية دراسة التقارب. الدرس المستفاد: المطالبة المنظمة بالتعداد + الاقتباس الحرفي تؤدي إلى تركيب موثوق وقابل للتحقق.
قوالب سريعة قابلة للنسخ
قالب الترميز الآمن "ضع علامات على بيانات المقابلة (مجهولة المصدر) التالية في موضوعات. لكل عبارة: (1) الموضوع الذي حددته، (2) النص الدقيق للبيان، (3) مرجع المصدر [رقم/سطر المقابلة]. لا تقم بتأليف أي عبارة غير موجودة في النص. ضع علامة "غير متأكد" على البيان الذي لست متأكدًا منه. البيانات: [لصق]."
قالب عد المواضيع"استخرج المواضيع من البيانات المشفرة التالية. لكل موضوع: كم عدد المستخدمين المختلفين الذين عبروا عنه، مثال 3 اقتباسات حرفية (مع المصدر). لا تقدم رأيًا عبر عنه شخص واحد باعتباره "نمطًا عامًا"؛ اكتب التكرار بوضوح. البيانات: [لصق]."
مثال مضاد / نموذج كسر التحيز "أريد اختبار قالب الرؤية التالي: "[البصيرة]". قم بإدراج البيانات في البيانات الأولية التي تعارض هذه الرؤية، أو تشير إلى عكس ذلك، أو أنها أقلية ولكنها قد تكون مهمة. الهدف هو اكتشاف التعميم المفرط والتحيز. البيانات: [لصق]."
نموذج الربط الخلفي للبصيرة "اكتب الجملة البصيرة التالية: [البصيرة]. مباشرة أدناه، ضع الاقتباسات الفعلية (حرفيًا، مع المصدر) التي تدعم هذه الرؤية. إذا لم يكن هناك ما يكفي من الأدلة المباشرة، فقل "أدلة غير كافية". لا تضيف أدلة مختلقة."
موجه ضعيف / موجه قوي
مطالبة ضعيفة: "لخِّص هذه المحادثات وأعطني الأفكار".
نصيحة قوية: "قم بتحليل المقابلات الـ 12 المجهولة أدناه. (1) قسّم العبارات إلى مواضيع. (2) احسب عدد المستخدمين المختلفين الذين ذكروا كل موضوع. (3) قدم اقتباسين دقيقين لكل موضوع (مع رقم المقابلة). (4) اجمع احتياجات الأقلية ولكنها قد تكون مهمة تحت عنوان منفصل. (5) ضع علامة على الاستدلالات التي لا تحتوي على أدلة كافية على أنها "تحتاج إلى التحقق منها" في النص. لا تقم بتأليف أي اقتباسات غير موجودة. البيانات: [لصق]."
المطالبة الضعيفة تمنح الذكاء الاصطناعي حرية التشويه والتلفيق؛ فهو يجعل التوليف قابلاً للتحقق من خلال العد السريع القوي، والاقتباس الحرفي، وحماية الأقلية، و"حظر التلفيق".
الأخطاء الشائعة
- استخدام الاقتباس الذي تم إنشاؤه بواسطة الذكاء الاصطناعي دون التحقق منه في البيانات الأولية. الاقتباس الملفق هو أخطر خطأ بحثي.
- الاعتقاد بأن الأغلبية العددية هي المعيار الوحيد للأهمية. غالبًا ما تكون حاجة الأقلية هي الرؤية الأكثر قيمة.
- إعطاء البيانات الشخصية للذكاء الاصطناعي دون إخفاء هويتها. بيانات المستخدم هي بيانات شخصية؛ السرية إلزامية.
- لا تبحث عن أمثلة مضادة. فالتركيب الذي لا يختبر العكس يعزز التحيز.
- الخلط بين ملخص الذكاء الاصطناعي و"البحث". التوليف هو البداية؛ تعتمد الرؤية على البيانات الأولية.
نصيحة: تحت كل فكرة، اسأل "ما هي الاقتباسات الحقيقية التي تدعم هذا؟" اكتب السؤال. إذا لم يكن هناك إجابة، فإن هذه الرؤية لا تزال فرضية، وليست نتيجة.
باختصار
يعد الذكاء الاصطناعي مسرعًا قويًا في تركيب أبحاث المستخدم: فهو يقوم بتشفير مئات العبارات، ويجمع المواضيع، وينتج رؤى وشخصيات. ولكن هناك خطران رئيسيان: الاقتباسات الملفقة والتشويه/التحيز. طريقة الحماية من ذلك هي ربط كل موضوع والاقتباس من البيانات الأولية، وحساب التكرار، والحفاظ على احتياجات الأقلية، والبحث عن أمثلة مضادة. قم بإخفاء هوية بيانات المستخدم، واطلب من الذكاء الاصطناعي اقتباسات ومصادر حرفية، وفرض قاعدة "عدم التلفيق"، ولا تحسب أي أفكار على أنها نتائج دون دعمها بالأدلة.
مهمة التطبيق
احصل على 8-10 شهادات مستخدم قصيرة، حقيقية أو خيالية. قم بإخفاء هويتهم جميعًا أولاً. احصل على سمات علامة الذكاء الاصطناعي باستخدام قالب "الترميز الآمن"؛ ثم اطلب التكرار والاقتباسات الحرفية باستخدام قالب "عدد السمات". تحقق من علامات الاقتباس التي قدمها الذكاء الاصطناعي في النص الأولي واحدًا تلو الآخر وحدد ما إذا كانت حقيقية أم لا. أخيرًا، باستخدام قالب "المثال المضاد"، ابحث عن العبارات التي تتعارض مع موضوعك الرئيسي واكتب ما إذا كنت تجد حاجة للأقلية.
قائمة مرجعية
- [ ] لقد قمت بإخفاء هوية بيانات المستخدم قبل إعطائها إلى الذكاء الاصطناعي.
- [ ] لقد طلبت من الذكاء الاصطناعي اقتباسات حرفية ومراجع مصدرية لكل موضوع.
- [ ] لقد قمت بالتحقق من كل اقتباس من خلال العثور عليه في البيانات الأولية (التحقق من الملاءمة).
- [ ] لقد أحصيت تكرار المواضيع وأبقيت احتياجات الأقليات منفصلة.
- [ ] لقد قمت باختبار التحيز من خلال البحث عن أمثلة مضادة لموضوعاتي الرئيسية.
- [ ] لقد حددت الاستنتاجات التي لم تكن مبنية على أدلة على أنها "فرضيات" ولم أحسبها كنتائج.